当一个应用程序声称是由“人工智能”驱动的时候，感觉就像你在未来一样。那到底是什么意思？我们来看看像人工智能、机器学习和神经网络这样的流行语到底意味着什么，它们是否真的有助于改进你的应用程序。

就在最近，谷歌和微软都在他们的翻译应用程序中加入了神经网络学习。谷歌表示，它正在使用机器学习来推荐播放列表。Todoist说它是用人工智能来建议你什么时候应该完成一项任务。Any.do声称它的人工智能机器人可以为你完成一些任务。这都是上周的事。有些是为了让新功能听起来给人留下深刻印象而做的营销花招，但有时这些改变是合理有用的。”人工智能、“机器学习”和“神经网络”都描述了计算机执行更高级任务和从环境中学习的方法。虽然你可能会听到应用程序开发人员可以互换使用它们，但它们在实践中可能非常不同。

神经网络通过模拟人脑来分析复杂的数据

人工神经网络（ANNs或简称“neural networks”）是指一种特定类型的学习模型，它模拟大脑中突触的工作方式。传统计算使用一系列逻辑语句来执行任务。另一方面，神经网络使用节点（类似神经元）和边缘（类似突触）组成的网络来处理数据。然后输入通过系统运行，并生成一系列输出。

然后将该输出与已知数据进行比较。例如，假设您想训练计算机识别狗的图片。你会在网络上运行数百万张狗的图片，看看它认为哪些图片像狗。然后，人类会确认哪些图像实际上是狗。然后，系统通过神经网络支持这些路径，从而得到正确的答案。随着时间的推移和数百万次的迭代，网络最终将提高其结果的准确性。

要了解这是如何运作的，你可以试试谷歌的快速，画！在这里做实验。在这种情况下，谷歌正在训练一个识别涂鸦的网络。它把你画的涂鸦和其他人画的例子相比较。该网络被告知涂鸦是什么，然后根据过去涂鸦的样子训练识别未来的涂鸦。即使你的绘画技巧很差（像我一样），网络也很擅长识别基本形状，比如潜艇、室内植物和鸭子。

神经网络并不是解决所有问题的正确方法，但它们擅长处理复杂的数据。谷歌和微软使用神经网络来驱动他们的翻译应用程序是正当的令人兴奋，因为翻译语言是困难的。我们都见过错误的翻译，但是神经网络学习可以让系统从正确的翻译中学习，随着时间的推移变得更好。我们已经看到类似的事情发生在语音转录。在googlevoice中引入神经网络学习后，转录错误减少了49%。你可能不会马上注意到它，它也不会是完美的，但这种类型的学习确实能让复杂的数据分析变得更好，从而在你的应用程序中产生更自然的特性。

机器学习教计算机在实践中改进

机器学习是一个宽泛的术语，它包含了任何你教机器独立完成某项任务的方法。更具体地说，它指的是任何一种系统，在这种系统中，一台机器完成一项任务的性能仅仅是通过更多的执行该任务的经验而变得更好。神经网络是机器学习的一个例子，但它们并不是机器学习的唯一方式。

例如，机器学习的另一种方法叫做强化学习。在这种方法中，计算机执行一项任务，然后根据结果进行评分。上面来自Android权威的视频以一个象棋游戏为例。电脑下一盘完整的国际象棋，然后它不是赢就是输。如果它赢了，那么它会给它在游戏中使用的一系列动作分配一个赢的值。在玩了数百万个游戏之后，系统可以根据这些游戏的结果来确定哪些动作最有可能获胜。

虽然神经网络在图像的模式识别方面很好，但其他类型的机器学习可能更适用于不同的任务，比如确定你喜欢哪种音乐。也就是说，谷歌表示，它的音乐应用程序会在你想要的时候为你找到你想要的音乐。它会根据你过去的行为为你选择播放列表。如果你忽略了它的建议，那（大概）会被贴上失败的标签。但是，如果您选择其中一个建议，则它用于给出该建议的过程将被标记为成功，因此它将加强导致该建议的过程。

在这样的情况下，如果不经常使用机器学习功能，您可能无法获得机器学习的全部好处。当你第一次打开谷歌的音乐应用程序时，你的推荐可能会非常杂乱无章。你用得越多，建议就越好。不管怎样，理论上来说。机器学习不是万能的，所以你仍然可以得到垃圾推荐。不过，如果你每半年只打开一次音乐应用程序，肯定会收到垃圾推荐。如果不经常使用它来帮助它学习，机器学习建议就不会比常规的“聪明”建议好多少。作为一个时髦词，“机器学习”比神经网络更模糊，但它仍然意味着你正在使用的软件将使用你的反馈来提高它的性能。

人工智能意味着任何“聪明”的东西

就像神经网络是机器学习的一种形式一样，机器学习也是人工智能的一种形式。然而，对于“人工智能”这一范畴的定义非常模糊，几乎毫无意义。虽然它让人联想到未来科幻的精神形象，但实际上，我们已经达到了以前被认为是未来人工智能领域的里程碑。例如，光学字符识别曾经被认为对一台机器来说太复杂了，但现在你**上的应用程序可以扫描文档并将其转换成文本。用人工智能来描述这样一个现在的基本任务，会让它听起来更令人印象深刻。

基本的电话任务之所以可以被认为是人工智能，是因为实际上有两种截然不同的人工智能。弱人工智能或狭义人工智能描述了为一个或一组狭义任务设计的任何系统。例如，googleassistant和Siri虽然功能强大，但设计用于执行非常有限的任务。也就是说，获取一系列特定的语音命令并返回答案或启动应用程序。对人工智能的研究增强了这些功能，但仍被认为是“薄弱环节”

相比之下，强人工智能（又称人工通用智能或“全人工智能”）是一种可以执行人类能够执行的任何任务的系统。它也不存在。如果你希望你的待办事项列表应用程序能由艾伦·图迪克（alantudyk）配音的可爱机器人驱动，那就太遥远了。事实上，你实际使用的任何人工智能都被认为是弱人工智能，因此应用程序描述中的“人工智能”一词实际上只是意味着“这是一个智能应用程序”。你可能会得到一些很酷的建议，但别指望它能与人类的智能匹敌。

虽然语义可能很模糊，但人工智能领域的实际研究非常有用，你可能已经把它融入了你的日常生活。每次你的**自动记住你停在哪里，识别你照片中的面孔，获取搜索建议，或者自动将你所有的度假照片分组在一起，你都直接或间接地从人工智能研究中受益。在某种程度上，“人工智能”实际上只是意味着应用程序变得更智能，这是你所期望的。然而，机器学习和神经网络特别适合于改进某些类型的任务。如果一个应用程序只是说它在使用“人工智能”，那么它就没有任何类型的机器学习那么有意义。

同样值得指出的是，神经网络和机器学习并非都是平等的。说应用程序使用机器学习做得更好，有点像说相机更好，因为它是“数码的”。是的，数码相机可以做一些胶卷相机做不到的事情，但这并不意味着每一张数码照片都比每一张胶卷照片好。关键在于你如何使用它。一些公司将能够开发出强大的神经网络来做一些非常复杂的事情，让你的生活更美好。其他人会在已经提供了“聪明”建议的功能上贴上机器学习标签，你同样会忽略它。

从幕后来看，机器学习和神经网络是非常令人兴奋的。然而，如果你正在阅读使用这些短语的应用程序描述，你可以把它读作“这个功能可能稍微聪明一点”，然后继续做你一直做的事情：根据应用程序对你的用处来判断它们。

山姆·伍利的插图。